Veštačka inteligencija (eng. Artificial Intelligence, AI) predstavlja simulaciju ljudske inteligencije u  kompjuterima. Kada su AI istraživanja prvi put započeta, naučnici su pokušavali da kopiraju ljudsku inteligenciju za specifične zadatke – recimo  za igranje neke igre (npr. šah). Da bi pokušali verno da simuliraju ljudsku  inteligenciju, naučnici su uveli prilično veliki broj pravila koja je računar trebalo da poštuje prilikom obavljanja određenog zadatka. Računar je imao određenu listu mogućih akcija koje je mogao da preduzima i donosio je odluke na osnovu postavljenih pravila.

Mašinsko učenje (eng. Machine learning, ML) se, sa druge strane, odnosi na sposobnost mašine da uči, koristeći velike skupove podataka, umesto strogo definisanih i kodiranih pravila. Zapravo, ML omogućava kompjuterima da sami uče. Ova vrsta učenja koristi moć savremenih kompjutera, koji lako mogu obraditi velike grupe i velike količine različitih  podataka.

Duboko učenje (eng. deep learning) je metoda mašinskog učenja, koja omogućava da se AI istrenira da predvidi odeđene ishode na osnovu podataka koji su joj stavljeni na raspolaganje i kojima se vremenom snabdeva.1

 Tehnologija veštačke inteligencije bi mogla dovesti do revolucije u oftalmologiji u smislu unapređenja načina na koji oftalmolozi dijagnostikuju dijabetički makularni edem (DME), komplikaciju dijabetesa koja uzrokuje zadebljanje retine, a koji može dovesti do nepovratnog slepila, u slučaju da se ne leči.

Najbolji način za sprečavanje DME-a su redovni pregledi oka, ali procenjuje se da 60 posto osoba s dijabetesom se neredovno kontroliše. Tokom tih pregleda se koristi tehnika koja se naziva fotografija očnog   dna u boji (eng. colour fundus photography, CFP) kojom se snima dvodimenzionalna slika mrežnjače

Iako CFP pruža vredne informacije, zlatni standard za dijagnostikovanje DME-a i utvrđivanje potrebe za lečenjem je optička koherentna tomografija (OCT) koja podrazumeva trodimenzionalno merenje makule, središnjeg dela retine koji s progresijom DME-a zadebljava.

Međutim, OCT često nije dostupan u skrining programima zbog troškova i tehničkih ograničenja. Debljina makule od 250 mikrona smatra se graničnom vrednošću, dok 400 mikrona predstavlja tačku pri kojoj mnogi oftalmolozi preporučuju početak lečenja.

Tim naučnika u Genentechu je odlučio da istraži može li upotrebom tehnologije „deep learning-a“ da nauči računare kako da procene debljinu makule  na osnovu CFP slika, olakšavajući dijagnostiku DME-a i pacijentima  i oftalmolozima. Trenutno, CFP slike tumače stručnjaci koji godinama razvijaju sposobnost merenja debljine mrežnjače prema karakteristikama koje vide na njenoj površini, ali se i dalje moraju oslanjati na OCT za potvrdu i merenje. Tim Genentech-ovih naučnika je želeo generisati slične sposobnosti u automatizovanom sistemu. Pomoću tehnologije „deep learning-a“ računar vežba da otkrije obrasce i odnose u skupu podataka koji se koriste u toku vežbe, koristeći stotine slojeva analize, od kojih svaki pokupi različite relevantne karakteristike na slici, bez ikakvog usmeravanja  od strane korisnika. Sistem zatim primenjuje svoje znanje na nove ulazne podatke istog tipa.

U Genentechovom istraživanju, računarima je u svrhu obuke dat veliki skup podataka o CFP-u i OCT-u, generisan od učesnika u dva velika klinička ispitivanja DME-a. Sistem dubokog učenja (deep learning-a) je pregledao ukupno 17,997 CFP slika od oko 700 pacijenata i uporedio ih sa odgovarajućim rezultatima debljine makule dobijenim uz pomoć OCT-a.

Najbolji model razvijen pomoću ovog seta za obuku uspeo je predvideti debljinu makule veću od praga od 250 mikrona s tačnošću od 97 posto, što je impresivan nivo performansa. Sistem dubokog učenja bi mogao  čak pouzdano predvideti stvarno OCT merenje debljine makule na osnovu  CFP slike, naravno, ukoliko je ona dovoljno kvalitetna. Ono što je u ovom istraživanju otkriveno je to da se računar fokusira na iste delove slika poput kontura i  dijametra krvnih sudova, kao što su to i stručnjaci godinama radili.

Potrebne su dodatne potvrde preciznosti ovog istraživanja na drugim skupovima podataka.

No, pod pretpostavkom da sistem radi dobro, ovaj bi alat mogao imati ogromnu vrednost za oftalmologe, dok leče pacijente s dijabetesom i DME-om. Na primer, kada DME pacijenti počnu s lečenjem, kod mnogih  od njih se mora svake četiri nedelje raditi kontrolni OCT, kako bi se osiguralo da je njihovo stanje stabilno, tj. da bolest ne napreduje.

Veštačka inteligencija bi mogla da omogući ljudima da koriste kameru mobilnog telefona za nadgledanje tkiva retine (mrežnjače) u stvarnom vremenu, što bi lekarima znatno olakšalo praćenje pacijentovih potreba i terapijskog odgovora. Takva inovacija ne bi samo bila prikladnija za pacijente, već bi ih učinila i mnogo aktivnijim učesnicima u sopstvenom lečenju. Oftalmolozima bi mogućnost procene makularne debljine pomoću CFP-a olakšala identifikaciju najurgentnijih slučajeva i njihovo brzo i odgovarajuće lečenje.

Ono što je bitno naglastiti je to da uspešnost mašinskog učenja, koje  uključuje i duboko učenje (deep learning), kao i druge tehnike koje računari koriste za razvoj baza znanja za analizu podataka, zavisi od  kvalitetnih i reprezentativnih podataka za obuku.

A korišćenje ovih podataka kao pomoć dijagnozi tek je početak- u slikama CFP-a mogu postojati elementi koji će pomoći veštačkoj inteligenciji u personalizovanju lečenja DME-a, predviđanjem kod kojih pacijenata će  oboljenje napredovati najbrže ili ko će dobro reagovati na terapiju. Mogli bi se koristiti i drugi izvori podataka koji su povezani s ispitivanjima, uključujući anamnezu bolesti, genomiku i druge podatke. Nadamo se da će ovaj pristup baziran na podacima proizvesti puno bolje razumevanje DME-a, a iz znanja proizilaze i poboljšanja u dijagnostici koja brže donose potrebne tretmane i konačno očuvanje vida obolelim od dijabetesa.

Literatura:

1. Kako funkcioniše Deep Learning? Access August 2021. Dostupno na:

2. SEEING THE UNSEEN WITH ARTIFICIAL INTELLIGENCE. Access August 2021. Dostupno na:

Tekst preuzet sa: